CN106844610B - 一种分布式结构化三维点云图像处理方法及*** - Google Patents
一种分布式结构化三维点云图像处理方法及*** Download PDFInfo
- Publication number
- CN106844610B CN106844610B CN201710034669.6A CN201710034669A CN106844610B CN 106844610 B CN106844610 B CN 106844610B CN 201710034669 A CN201710034669 A CN 201710034669A CN 106844610 B CN106844610 B CN 106844610B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- dimensional point
- cloud image
- data
- structured
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
- G06F16/2246—Trees, e.g. B+trees
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明提供一种分布式结构化三维点云图像处理方法及***,所述方法包括:获取三维点云图像和三维点云图像对应的扩展信息;对获取的三维点云图像及其扩展信息进行分类,建立关系映射模型,形成存储包含嵌套多个关系映射模型的树状数据结构;将不同的关系映射模型通过对应的处理线程存储为相应的数据文件;在接收到三维点云图像的数据读取请求时,为存储的各数据文件建立对应的线程并通过对应的线程加载各数据文件生成对应的结构化数据;根据结构化数据获取对应场景的语义化场景类别信息,解析出场景中包含的所有类别及标签代码,并将三维点云图像可视化。本发明可以高效存储三维点云图像和扩展标注信息,高效地对结构化数据进行并发访问。
Description
技术领域
本发明涉及图像技术领域,特别是涉及三维点云图像技术领域,具体为一种分布式结构化三维点云图像处理方法及***。
背景技术
三维点云图像是机器视觉、遥感建模、摄影测量、古建筑重建等需要对空间场景进行三维重构和语义感知标注的研究和应用领域中的一种标准化的图像数据存储数据结构,其将三维空间中物体表面的点的几何坐标数值作为存储的基本单元,整个三维点云数据是所有基本单元的集合。三维点云图像在场景重构和语义感知标注任务中同时用于存储:1).视觉传感器采集的原始图像;2).重构之后的完整场景图像;3).场景标注后的图像。点存储基本单元除了包含三个欧式空间坐标数值外,还支持色彩RGB值、法向量、曲率、类别标签等扩展,这些扩展直接附带在坐标值的后面,作为对当前点的补充描述信息(如附图-1所示)。这种数据结构具有明显的缺陷,主要体现在:1).对具有同类属性的点的扩展数据进行重复的存储,存在大量数据冗余,并且使I/O速度下降;2).随机排列的存储单元会导致即使是单独分析场景中某个类别的数据也需要遍历整个数据,分析效率极低;3).对场景信息的标注(人工或者自动化)均需要大量的处理时间,原始三维点云图像不能很好地融合图像原始数据和标注信息;4).对于大型场景,序列化的存储方式扩展性差,并且受到单个存储设备的容量限制。
经对现有技术的公开文献检索发现,Martin Weinmann.2016.Reconstructionand Analysis of 3D Scenes:From Irregularly Distributed 3D Points to ObjectClasses(1st ed.).Springer Publishing Company,Incorporated。作者讨论了如何自动化地对场景信息进行标注,但无论是原始数据还是带标签数据,均将各个点的标签均存储在其对应的存储单元中,在实际应用中仍然无法避免信息冗余、I/O缓慢、结构化差、扩展性差等问题。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种分布式结构化三维点云图像处理方法及***,用于高效地组织带有类别标签标注数据的结构化三维点云图像。
为实现上述目的及其他相关目的,本发明提供一种分布式结构化三维点云图像处理方法,包括:获取三维点云图像和三维点云图像对应的扩展信息;对获取的三维点云图像及其扩展信息进行分类,建立关系映射模型,形成存储包含嵌套多个所述关系映射模型的树状数据结构;将不同的所述关系映射模型通过对应的处理线程存储为相应的数据文件以供加载和读取;在接收到三维点云图像的数据读取请求时,为存储的各所述数据文件建立对应的线程并通过所述对应的线程加载各所述数据文件生成对应的结构化数据;根据所述结构化数据获取关于所述三维点云图像对应场景的语义化的场景类别信息,解析出所述场景中包含的所有类别及标签代码,并将所述三维点云图像进行可视化。
于本发明的一实施例中,采用JSON键-值存储格式建立关系映射模型,形成包嵌套多个所述关系映射模型的树状数据结构;所述数据文件为JSON数据文件。
于本发明的一实施例中,利用URI对所述树状数据结构中各个标签的数据点集合的路径进行描述。
于本发明的一实施例中,将不同类别的包含三维点云图像及其扩展信息的所述关系映射模型分布式地存储到不同的文件和/或不同的数据库***中。
于本发明的一实施例中,所述扩展信息包括色彩、类别标签、类别名称、场景类别总数以及场景名称。
为实现上述目的,本发明还提供一种分布式结构化三维点云图像处理***,包括:存储模块,用于获取三维点云图像和三维点云图像对应的扩展信息,对获取的三维点云图像及其扩展信息进行分类,建立关系映射模型,形成存储包含嵌套多个所述关系映射模型的树状数据结构,并且将不同的所述关系映射模型通过对应的处理线程存储为相应的数据文件以供加载和读取;处理模块,在接收到三维点云图像的数据读取请求时,为存储的各所述数据文件建立对应的线程并通过所述对应的线程加载各所述数据文件生成对应的结构化数据,根据所述结构化数据获取关于所述三维点云图像对应场景的语义化的场景类别信息,解析出所述场景中包含的所有类别及标签代码,并将所述三维点云图像进行可视化。
于本发明的一实施例中,所述存储模块采用JSON键-值存储格式建立关系映射模型,形成包嵌套多个所述关系映射模型的树状数据结构;所述存储模块存储的所述数据文件为JSON数据文件。
于本发明的一实施例中,所述存储模块利用URI对所述树状数据结构中各个标签的数据点集合的路径进行描述。
于本发明的一实施例中,所述存储模块包括将不同类别的包含三维点云图像及其扩展信息的所述关系映射模型分布式地存储到不同的文件的分布式文件存储单元和/或不同的数据库***中的分布式数据库存储单元。
于本发明的一实施例中,所述扩展信息包括色彩、类别标签、类别名称、场景类别总数以及场景名称。
如上所述,本发明的一种分布式结构化三维点云图像处理方法及***,具有以下有益效果:
本发明可以高效一致地组织存储三维点云图像原始数据和结构化的扩展标注信息,可以高效地对结构化数据模型进行并发访问。本发明是一种支持灵活的、可扩展的持久化存储和分发方案。
附图说明
图1显示为本发明的一种分布式结构化三维点云图像处理方法的流程图。
图2显示为本发明的一种分布式结构化三维点云图像处理方法中场景键-值模型树状结构描述图。
图3显示为本发明的一种分布式结构化三维点云图像处理方法中并发访问示意图。
图4显示为本发明的一种分布式结构化三维点云图像处理方法中分布式存储示意图。
图5显示为本发明的一种分布式结构化三维点云图像处理***的原理框图。
图6显示为采用本发明的一种分布式结构化三维点云图像处理方法和***的图像I/O性能与现有技术中图像I/O性能的对比示意图。
元件标号说明
100 分布式结构化三维点云图像处理***
101 存储模块
102 处理模块
S101~S105 步骤
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。
本发明的目的在于提供一种分布式结构化三维点云图像处理方法及***,用于高效地组织带有类别标签标注数据的结构化三维点云图像。以下将详细说明本发明的一种分布式结构化三维点云图像处理方法及***的原理及实施方式,使本领域技术人员不需要创造性劳动即可理解本发明的一种分布式结构化三维点云图像处理方法及***。
本发明提供一种分布式结构化三维点云图像处理方法及***,具体是一种采用键-值对数据结构处理三维空间的几何信息、色彩信息、编码信息和语义信息的输入/输出任务的格式化框架,用于存储包含语义标注或经过标注算法处理后的三维点云图像,分布式方案扩展可以高效地组织带有类别标签标注数据的结构化三维点云图像,极大地提高图像的I/O速度。
请参阅图1,显示为本发明的一种分布式结构化三维点云图像处理方法的流程图。如图1所示,本发明的方法具体包括以下步骤:
步骤S101,获取三维点云图像和三维点云图像对应的扩展信息。
于本实施例中,所述扩展信息包括但不限于色彩、类别标签、类别名称、场景类别总数以及场景名称。
将现有的三维点云图像(包括*.ply和*.pcd等点云存储文件)或者是计算得到的三维点云图像载入到内存中,步骤S101主要是按照特定点云存储文件的存储方式读取三维点云图像,至少包含三个欧式空间坐标数值,还可能有色彩信息(RGB三通道或RGBA四通道)、法向量、曲率等扩展信息。
步骤S102,对获取的三维点云图像及其扩展信息进行分类,建立关系映射模型,形成存储包含嵌套多个所述关系映射模型的树状数据结构。
将所有原始数据点(三维点云图像)及其扩展信息通过其之间的关系进行分类,建立了点群所属的不同特征,建立了键-值对关系映射模型,如图2所示,将所有的数据组织进包含嵌套映射关系的树状数据结构中。
于本实施例中,三维点云图像的数据点和类别标签对象关系映射自动化生成。
目前业界采用的标准化点云存储格式,包括*.ply和*.pcd存储方案等,它们均将单个数据点作为最小存储单元(附图-1),按行在文件中排列,每个数据点至少包含三个欧式空间坐标数值。对于每个数据点的类别标签,手动标注或者自动化标注后通常使用数值编码作为标签编码。除此之外,单个数据点还可能有色彩信息(RGB三通道或RGBA四通道)、法向量、曲率等扩展信息,这些扩展信息的维度期望与几何空间维度相当。存储包括类别标签在内的扩展信息的最简单方案是将每个数据点的扩展信息附加到几何坐标数值后面进行存储和读取(附图-1),这种做法会造成大量的数据冗余,且原始数据的无序性并没有得到本质的解决,若要从数据集合中查询某一类别的所有数据点,依然需要遍历数据集合中所有的点,对I/O和邻域计算来说计算消耗依然很高。
于本发实施例中,采用JSON键-值存储格式建立关系映射模型,形成包嵌套多个所述关系映射模型的树状数据结构。
具体地,本实施例采用的参考RFC7159规定的JSON键-值存储格式来对三维点云图像数据及其附带的结构化信息进行组织。为了简化说明,需要处理三维点云图像数据包含的扩展信息包括:色彩(RGB)、类别标签、类别名称、场景类别总数、场景名称。规定组织格式如下:
如上组织格式将所有原始数据点及其扩展信息通过其之间的关系,建立了键-值对关系映射模型,将所有的数据组织进包含嵌套映射关系的树状数据结构中,如图2所示,该模型既包含原始数据点几何信息,又包含结构化的扩展信息,并且去除了扩展信息的冗余。其中OBJECT表示对象类型,内部嵌套多个键-值对关系模型,STRING为文本字符串类型,NUMBER为数值类型,ARRAY为列表类型,在该模型中可用于存储RGB三个色彩值,也可以使用嵌套列表存储某类别标签下的所有数据点集合。
步骤S103,不同的所述关系映射模型通过对应的处理线程存储为相应的数据文件以供加载和读取。其中,所述数据文件为JSON数据文件。将不同的结构化模型通过各自的线程存储为相应的JSON文件以用于下一次的加载和读取。
步骤S104,在接收到三维点云图像的数据读取请求时,为存储的各所述数据文件建立对应的线程并通过所述对应的线程加载各所述数据文件生成对应的结构化数据。
即在下一次想要对计算结果进行使用时,首先建立与步骤103生成的结构化的数据(JSON文件)数目相同的线程,将各JSON文件通过不同的线程加载到内存中。
步骤S105,根据所述结构化数据获取关于所述三维点云图像对应场景的语义化的场景类别信息,解析出所述场景中包含的所有类别及标签代码,并将所述三维点云图像进行可视化。
在步骤S104生成的结构化的数据中,可从codebook键对应的标签代码-标签名称中获取关于场景的语义化的场景类别信息,解析出场景中包含的所有类别及其标签代码,并将点云进行可视化。
具体地,在步骤S104生成的结构化的数据中,如图3所示,可从codebook键对应的标签代码-标签名称中获取关于场景的语义化的场景类别信息,解析出场景中包含的所有类别及其标签代码,根据标签代码,可以从data键中查询该标签类别下的所有数据点集合。查询单个类别下的数据点集合操作与不相关的类别是独立的,这一方面保证了查询操作的高效性,同时,从数据并发的角度,可以非常容易地并发访问多个类别标签下的数据点集合。对于单个标签的并发安全问题,可以针对各个标签的数据分别设置互斥变量保护机制用于保证多并发访问应用下的数据安全问题。
通常需要将结构化场景键-值模型进行持久化存储,因此需要内存友好、接口方便的高效存储方案。一种最简单的方案是将键-值模型文本化后,存储到单个本地文件中,这种方案的优点是实现简单、操作方便,缺点是不便于扩展数据,并且也没有充分利用到点数据集合的结构化特性。由于结构化场景键-值模型中data键下的数据点集合是根据标签类别组织的,所以可以将不同类别的点数据集合分布式地存储到不同的文件、甚至是不同的物理设备上。因为一个键-值模型中主要数据分布在data键下的各个类别的数据点中,因此只需要对各个类别的数据点集合进行分布式地存储即可,将原始键-值模型中标签代码对应的值替换为存储设备的唯一路径标识符。一种方案是将不同标签的数据点集合分别存储到多个文件中,另外一种方案是将不同标签的数据点集合分布到数据库***中,也可以混合地使用文件和数据库进行存储,如图4所示。
于本实施例中,将不同类别的包含三维点云图像及其扩展信息的所述关系映射模型分布式地存储到不同的文件和/或不同的数据库***中。
为了建立统一的路径标识符,参考RFC 3986规定的URI(Uniform ResourceIdentifier,标识、定位任何资源的字符串)对各个标签的数据点集合路径进行描述。于本实施例中,利用URI对所述树状数据结构中各个标签的数据点集合的路径进行描述。
进行分布式存储操作后,键-值模型数据中仅包含非冗余的扩展信息和数据点集合的路径URI,文件尺寸通常只有几KB,非常便于进行共享和分发,因为URI具有跨平台性,因此数据点集合对于分发终端的用户也是有效的。
此外,如图5所示,本实施例还提供一种分布式结构化三维点云图像处理***100,所述分布式结构化三维点云图像处理***100包括:存储模块101和处理模块102。
于本实施例中,所述存储模块101用于获取三维点云图像和三维点云图像对应的扩展信息,对获取的三维点云图像及其扩展信息进行分类,建立关系映射模型,形成存储包含嵌套多个所述关系映射模型的树状数据结构,并且将不同的所述关系映射模型通过对应的处理线程存储为相应的数据文件以供加载和读取。
于本实施例中,所述扩展信息包括色彩、类别标签、类别名称、场景类别总数以及场景名称。
所述存储模块101将现有的三维点云图像(包括*.ply和*.pcd等点云存储文件)或者是计算得到的三维点云图像载入到内存中,所述存储模块101主要是按照特定点云存储文件的存储方式读取三维点云图像,至少包含三个欧式空间坐标数值,还可能有色彩信息(RGB三通道或RGBA四通道)、法向量、曲率等扩展信息。
所述存储模块101将所有原始数据点(三维点云图像)及其扩展信息通过其之间的关系进行分类,建立了点群所属的不同特征,建立了键-值对关系映射模型,如图2所示,将所有的数据组织进包含嵌套映射关系的树状数据结构中。
于本实施例中,三维点云图像的数据点和类别标签对象关系映射自动化生成,所述存储模块101采用JSON键-值存储格式建立关系映射模型,形成包嵌套多个所述关系映射模型的树状数据结构。
具体地,本实施例采用的参考RFC7159规定的JSON键-值存储格式来对三维点云图像数据及其附带的结构化信息进行组织。为了简化说明,需要处理三维点云图像数据包含的扩展信息包括:色彩(RGB)、类别标签、类别名称、场景类别总数、场景名称。规定组织格式如下:
如上组织格式将所有原始数据点及其扩展信息通过其之间的关系,建立了键-值对关系映射模型,将所有的数据组织进包含嵌套映射关系的树状数据结构中,如图2所示,该模型既包含原始数据点几何信息,又包含结构化的扩展信息,并且去除了扩展信息的冗余。其中OBJECT表示对象类型,内部嵌套多个键-值对关系模型,STRING为文本字符串类型,NUMBER为数值类型,ARRAY为列表类型,在该模型中可用于存储RGB三个色彩值,也可以使用嵌套列表存储某类别标签下的所有数据点集合。
所述存储模块101存储的所述数据文件为JSON数据文件。所述存储模块101将不同的结构化模型通过各自的线程存储为相应的JSON文件以用于下一次的加载和读取。
通常需要将结构化场景键-值模型进行持久化存储,因此需要内存友好、接口方便的高效存储方案。一种最简单的方案是将键-值模型文本化后,存储到单个本地文件中,这种方案的优点是实现简单、操作方便,缺点是不便于扩展数据,并且也没有充分利用到点数据集合的结构化特性。由于结构化场景键-值模型中data键下的数据点集合是根据标签类别组织的,所以可以将不同类别的点数据集合分布式地存储到不同的文件、甚至是不同的物理设备上。因为一个键-值模型中主要数据分布在data键下的各个类别的数据点中,因此只需要对各个类别的数据点集合进行分布式地存储即可,将原始键-值模型中标签代码对应的值替换为存储设备的唯一路径标识符。一种方案是将不同标签的数据点集合分别存储到多个文件中,另外一种方案是将不同标签的数据点集合分布到数据库***中,也可以混合地使用文件和数据库进行存储,如图4所示。
于本实施例中,所述存储模块101包括将不同类别的包含三维点云图像及其扩展信息的所述关系映射模型分布式地存储到不同的文件的分布式文件存储单元和/或不同的数据库***中的分布式数据库存储单元。
为了建立统一的路径标识符,参考RFC 3986规定的URI(Uniform ResourceIdentifier,标识、定位任何资源的字符串)对各个标签的数据点集合路径进行描述。于本实施例中,所述存储模块101利用URI对所述树状数据结构中各个标签的数据点集合的路径进行描述。进行分布式存储操作后,键-值模型数据中仅包含非冗余的扩展信息和数据点集合的路径URI,文件尺寸通常只有几KB,非常便于进行共享和分发,因为URI具有跨平台性,因此数据点集合对于分发终端的用户也是有效的。
于本实施例中,所述处理模块102在接收到三维点云图像的数据读取请求时,为存储的各所述数据文件建立对应的线程并通过所述对应的线程加载各所述数据文件生成对应的结构化数据,根据所述结构化数据获取关于所述三维点云图像对应场景的语义化的场景类别信息,解析出所述场景中包含的所有类别及标签代码,并将所述三维点云图像进行可视化。
具体地,在生成的结构化的数据中,如图3所示,可从codebook键对应的标签代码-标签名称中获取关于场景的语义化的场景类别信息,解析出场景中包含的所有类别及其标签代码,根据标签代码,可以从data键中查询该标签类别下的所有数据点集合。查询单个类别下的数据点集合操作与不相关的类别是独立的,这一方面保证了查询操作的高效性,同时,从数据并发的角度,可以非常容易地并发访问多个类别标签下的数据点集合。对于单个标签的并发安全问题,可以针对各个标签的数据分别设置互斥变量保护机制用于保证多并发访问应用下的数据安全问题。
为更好地说明本实施例的分布式结构化三维点云图像处理方法及***的有效性和实际可行性,下面结合实验过程来说明本实施例的分布式结构化三维点云图像处理方法及***的实施过程。
实验过程采用Weinmann M,Jutzi B,Mal let C.Semantic 3D sceneinterpretation:a framework combining optimal neighborhood size selection withrelevant features[J].ISPRS Annals of the Photogrammetry,Remote Sensing andSpatial Information Sciences,2014,2(3):181.中用到的Oakland城市扫描数据集,一共有5个场景数据,每个场景的数据点个数规模在100,000左右,其中3个场景包含7类不同类别的点云数据,另外2个场景你5类不同类别的点云数据。使用Intel Xeon E3-1226 CPU运行结构化点云生成程序,性能记录如表1所示,最高性能可达10,000点/秒,能够满足实时处理的需求,将程序附加到传感器输出***尾端,可以实现实时地生成本符合本发明提出方法标准的三维点云图像。
表1 模型生成性能
#1 | #2 | #3 | #4 | #5 | |
单文件模型 | 11.4993s | 7.0933s | 10.9682s | 14.0007s | 11.9214s |
分布式模型 | 10.60434s | 6.6147s | 10.0461s | 12.7245s | 10.8208s |
对于生成的单文件模型和分布式模型的三维点云图像,在分别进行多线程并发加载,将场景扩展信息和数据点的几何信息加载到C++标准库容器中,性能记录如表2所示。
表2 模型解析性能
#1 | #2 | #3 | #4 | #5 | |
单文件模型 | 56.934s | 35.008s | 53.729s | 68.137s | 58.821s |
分布式模型 | 38.302s | 20.795s | 29.568s | 47.179s | 37.592s |
本实施例提出的分布式结构化三维点云图像处理方法及***,由于支持并发解析,图像携带的信息更加丰富,且I/O性能也得到了极大的提升,与*ply格式的ASCII编码点云和二进制编码点云的I/O性能的对比如图6所示,ASCII表示ASCII点云加载(深色)和可视化(浅色)时间,Binary表示二进制点云加载和可视化时间,Distributed表示本发明方法使用的点云的加载和可视化时间,可以看出,本实施例提出的分布式结构化三维点云图像处理方法及***因为使用了并发技术,I/O性能与二进制点云相当。
综上所述,本发明的一种分布式结构化三维点云图像处理方法及***,达到了以下有益效果:
本发明可以高效一致地组织存储三维点云图像原始数据和结构化的扩展标注信息,可以高效地对结构化数据模型进行并发访问。本发明是一种支持灵活的、可扩展的持久化存储和分发方案。所以本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (8)
1.一种分布式结构化三维点云图像处理方法,其特征在于,包括:
获取三维点云图像和三维点云图像对应的扩展信息;
对获取的三维点云图像及其扩展信息进行分类,建立关系映射模型,形成存储包含嵌套多个所述映射关系模型的树状数据结构;采用JSON键-值存储格式建立关系映射模型,形成包嵌套多个所述映射关系模型的树状数据结构;所述数据文件为JSON数据文件;
将不同的所述映射关系模型通过对应的处理线程存储为相应的数据文件以供加载和读取;
在接收到三维点云图像的数据读取请求时,为存储的各所述数据文件建立对应的线程并通过所述对应的线程加载各所述数据文件生成对应的结构化数据;
根据所述结构化数据获取关于所述三维点云图像对应场景的语义化的场景类别信息,解析出所述场景中包含的所有类别及标签代码,并将所述三维点云图像进行可视化。
2.根据权利要求1所述的分布式结构化三维点云图像处理方法,其特征在于,利用URI对所述树状数据结构中各个标签的数据点集合的路径进行描述。
3.根据权利要求1所述的分布式结构化三维点云图像处理方法,其特征在于,将不同类别的包含三维点云图像及其扩展信息的所述映射关系模型分布式地存储到不同的文件和/或不同的数据库***中。
4.根据权利要求1所述的分布式结构化三维点云图像处理方法,其特征在于,所述扩展信息包括色彩、类别标签、类别名称、场景类别总数以及场景名称。
5.一种分布式结构化三维点云图像处理***,其特征在于,包括:
存储模块,用于获取三维点云图像和三维点云图像对应的扩展信息,对获取的三维点云图像及其扩展信息进行分类,建立关系映射模型,形成存储包含嵌套多个所述映射关系模型的树状数据结构,并且将不同的所述映射关系模型通过对应的处理线程存储为相应的数据文件以供加载和读取;所述存储模块采用JSON键-值存储格式建立关系映射模型,形成包嵌套多个所述映射关系模型的树状数据结构;所述存储模块存储的所述数据文件为JSON数据文件;
处理模块,在接收到三维点云图像的数据读取请求时,为存储的各所述数据文件建立对应的线程并通过所述对应的线程加载各所述数据文件生成对应的结构化数据,根据所述结构化数据获取关于所述三维点云图像对应场景的语义化的场景类别信息,解析出所述场景中包含的所有类别及标签代码,并将所述三维点云图像进行可视化。
6.根据权利要求5所述的分布式结构化三维点云图像处理***,其特征在于,所述存储模块利用URI对所述树状数据结构中各个标签的数据点集合的路径进行描述。
7.根据权利要求5或6所述的分布式结构化三维点云图像处理***,其特征在于,所述存储模块包括将不同类别的包含三维点云图像及其扩展信息的所述映射关系模型分布式地存储到不同的文件的分布式文件存储单元和/或不同的数据库***中的分布式数据库存储单元。
8.根据权利要求5所述的分布式结构化三维点云图像处理***,其特征在于,所述扩展信息包括色彩、类别标签、类别名称、场景类别总数以及场景名称。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710034669.6A CN106844610B (zh) | 2017-01-18 | 2017-01-18 | 一种分布式结构化三维点云图像处理方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710034669.6A CN106844610B (zh) | 2017-01-18 | 2017-01-18 | 一种分布式结构化三维点云图像处理方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106844610A CN106844610A (zh) | 2017-06-13 |
CN106844610B true CN106844610B (zh) | 2020-03-24 |
Family
ID=59124252
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710034669.6A Active CN106844610B (zh) | 2017-01-18 | 2017-01-18 | 一种分布式结构化三维点云图像处理方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106844610B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109902434B (zh) * | 2019-03-18 | 2023-04-07 | 浙江工业大学 | 云计算环境下面向rest架构风格的服务数据可视化建模与匹配方法 |
CN110210398A (zh) * | 2019-06-03 | 2019-09-06 | 宁波智能装备研究院有限公司 | 一种三维点云语义分割标注方法 |
CN111427867B (zh) * | 2020-03-30 | 2023-10-20 | 杭州华望***科技有限公司 | 一种基于混合式存储的模型持久化方法 |
CN114598692B (zh) * | 2020-12-01 | 2023-03-17 | 腾讯科技(深圳)有限公司 | 点云文件传输方法、应用方法、装置、设备及存储介质 |
CN114661386A (zh) * | 2020-12-22 | 2022-06-24 | 腾讯科技(深圳)有限公司 | 点云视窗的呈现方法、装置、计算机可读介质及电子设备 |
CN115080531A (zh) * | 2022-05-16 | 2022-09-20 | 重庆紫光华山智安科技有限公司 | 基于分布式存储图像处理方法、***、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104750854A (zh) * | 2015-04-16 | 2015-07-01 | 武汉海达数云技术有限公司 | 一种海量三维激光点云压缩存储及快速加载显示方法 |
EP2874097A3 (en) * | 2013-11-19 | 2015-07-29 | Nokia Corporation | Automatic scene parsing |
CN105389850A (zh) * | 2015-11-03 | 2016-03-09 | 北京大学(天津滨海)新一代信息技术研究院 | 一种大规模三维场景的新型可见性生成方法 |
CN106331676A (zh) * | 2016-08-31 | 2017-01-11 | 贾岳杭 | 基于虚拟现实环境的三维数据的处理与传输方法 |
-
2017
- 2017-01-18 CN CN201710034669.6A patent/CN106844610B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2874097A3 (en) * | 2013-11-19 | 2015-07-29 | Nokia Corporation | Automatic scene parsing |
CN104750854A (zh) * | 2015-04-16 | 2015-07-01 | 武汉海达数云技术有限公司 | 一种海量三维激光点云压缩存储及快速加载显示方法 |
CN105389850A (zh) * | 2015-11-03 | 2016-03-09 | 北京大学(天津滨海)新一代信息技术研究院 | 一种大规模三维场景的新型可见性生成方法 |
CN106331676A (zh) * | 2016-08-31 | 2017-01-11 | 贾岳杭 | 基于虚拟现实环境的三维数据的处理与传输方法 |
Non-Patent Citations (1)
Title |
---|
LiDAR点云数据的分布式组织及其并行获取方法;王宗跃等;《武汉大学学报 信息科学版》;20090831;第34卷(第8期);第936-939页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106844610A (zh) | 2017-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106844610B (zh) | 一种分布式结构化三维点云图像处理方法及*** | |
CN102682103B (zh) | 一种面向海量激光雷达点云模型的三维空间索引方法 | |
US9396512B2 (en) | Fully parallel construction of k-d trees, octrees, and quadtrees in a graphics processing unit | |
US8463739B2 (en) | Systems and methods for generating multi-population statistical measures using middleware | |
Wang et al. | Trinary-projection trees for approximate nearest neighbor search | |
US20130235031A1 (en) | Fully parallel in-place construction of 3d acceleration structures in a graphics processing unit | |
Najdataei et al. | Continuous and parallel lidar point-cloud clustering | |
CN101673410A (zh) | 一种基于矢量建筑图纸重建三维模型的方法 | |
Schön et al. | Octree-based indexing for 3D pointclouds within an Oracle Spatial DBMS | |
CN113535788B (zh) | 一种面向海洋环境数据的检索方法、***、设备及介质 | |
CN111611448A (zh) | 知识驱动的联合大数据查询和分析平台 | |
CN114385620A (zh) | 数据处理方法、装置、设备及可读存储介质 | |
Nguyen et al. | Spatio-semantic comparison of large 3D city models in CityGML using a graph database | |
Singh et al. | Spatial data analysis with ArcGIS and MapReduce | |
JP7017852B2 (ja) | 記述子を用いた3dオブジェクトの位置特定 | |
CN113761185A (zh) | 主键提取方法、设备及存储介质 | |
Ufer et al. | Large-scale interactive retrieval in art collections using multi-style feature aggregation | |
US20110191359A1 (en) | Process for transforming and consulting directed and attributed multigraphs based on the use of maps and bitmaps | |
Bespalov and et al. | Scale-space representation and classification of 3d models | |
Boaventura Filho et al. | Geographic data modeling for NoSQL document-oriented databases | |
El Moukhi et al. | Towards a new hybrid approach for building document-oriented data warehouses | |
Jouili et al. | imGraph: A distributed in-memory graph database | |
Uher et al. | Searching of circular neighborhoods in the square and hexagonal regular grids | |
CN117540056B (zh) | 数据查询的方法、装置、计算机设备和存储介质 | |
Fontolan | Modularity based community detection on the GPU |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |